Está en la página 1de 41

4.

INTRODUCCION

En el capitulo anterior se presentaron los conceptos basicos de probabilidad y los


metodos para ca1cular la probabilidad de un eventQ. En este capitulo se amplla,n
estos conceptos y se exploran form as para calcular las probabilidades de un
evento bajo condiciones un poco mas complicadas. En este capitulo se estudian
las relaciones entre los valores de la variable aleatoria y las probabilidades de que
su ocurrencia pueda resumirse por medio de un mecanismo Hamado dislt"ibuci6n
de probabilidad. La distribucion de probabilidad se puede expresar
forma de
tabla, grafica 0 formula. Conocer la distribucion de probabilidades para la
variable aleatoria proporciona al medico y al investigador herramientas podero
sas para simplificar y describir un conjunto de datos, y para llegar a conclusiones
acerca de la poblacion de datos sobre la base de una muestra de datos extraidos
de lapoblacion.

4.2 DISTRIBUCION DE PROBABllIDAD


DE VARIABLES DISCRETAS
Para iniciar el estudio de las distribuciones de probabilidad, se cbnsidera en primer
lugar la distribucion de probabilidad de una variable discreta, la cual se define
comosigue:

83

CAPITULO 4

DISTRIBUCIONES DE PROBABILIDAD

DEFINICION
La distribucion de probabilidad de una variable aleatoria
discreta es una tabla, unagratica, una fannula u otro
sistelDa utilizado para especificar todos losvalores
posibles de una variable aleatoria discreta junto con sus
probabilidades respectivas.
EJEMPLO 4.2.1

- - - - - ..

En un articulo de la revistaAmericanJournal o/Obstetrics and Gynecology, Buitendijk y


Bracken (A-I) aseguran que durante 25 afios se ha tornado mayor conciencia de los
efectos potencialmente dafiinos de los medicamentos y quimicos en el desarrollo
de los fetos. En una poblaci6n de mujeres dadas de alta en maternidad, en un
hospital del este de EUA, entre 1980 y 1982, los autores valoraron y estudiaron la
asociaci6n del uso d~ medicamentos con varias caracteristicas de la madre, por
ejemplo uso de alcohol, tabaco y adicci6n a farmacos. Sus hallazgos sugieren quela

TABIA4.2.1

Prevalencia del
medicmnentos
prescritos y no prescritos durante el
embarazo enUelllujeres dadas de
alta depues del parto en un hospital
del este de EUA
CODSUIDO de

N6mero de medicamentos

o
1

1425

1351

793

3
4
5
6
7
8

348

156

58

28

15

9
10

12

Total

Frecuencia

Simone Buitendijk y Michael B. Brac


ken, "Medication in Early Pregnancy: Prevalence
of Use and Relationship to Maternal Characte
ristics", AmericanJournal ofObstetrics and Gyneco
logy, 165,33-40..
FUENTE:

4185

mujer que muestra un comportamiento mas propenso a correr riesgos durante e1


embarazo, tambien esta mas propensa a utilizar medicamentos durante el mismo.
La tabla 4.2.1 muestra la prevalencia del consurno de medicamentos prescritos y no
prescritos durante el embarazo entre las mujeres estudiadas.

--~

4.2

DISTRIBUCION DE PRQBABILIDAD DE VARIABLES DISCRETAS

85

TABlA 4.2.2 Distribucion de


probabilldad del nUrnero de
medicamentos consumidos con y sin
prescripcion durante el embarazo entre
las mujeres desClitas en el ejemplo 4.2. t
Numero de medicamentos (x)

0
I

2
3
4
5
6
7
8
9
10
12
Total

P(X

= x)

.3405
.3228
.1895
.0832
.0373
.0139
.0067
.0036
.0014
.0007
.0002
.0002
1.0000

Se pretende construir la distribuci6n de probabilidad de la variable discreta


X, donde X = nurnero de rnedicarnentos prescritos y no prescritos consurnidos por
los individuos estudiados.
Soluci6n: Los valores de X son XI = 0, x 2 1, ... , XlI = lOy X 12 = 12. Se calculan las
probabilidades para estos valores dividiendo sus respectivas frecuencias
entre el total, 4185. Asl, porejemplo. P(X x) = 1425/4185 = .3405. EI
resultado se rnuestra en la tabla 4.2.2 que representa la distribuci6n de
probabilidades deseada.

Altemativarnente. se puede presentar esta distribuci6n de probabilidad en


forma grafica, como en la figura 4.2.1. En dicha figura, la longitud de cada barra
vertical indica la probabilidad para el valor correspondiente de x.
En la tabla 4.2.2 se observa que los valores de P(X = x) son todos positivos.
rnenores que 1. y la surna de los rnismos es igual a 1. Estas no son caracterfsticas
particulares de este ejernplo, sino que son caracterfsticas para todas las distribu
ciones de probabilidad de variable discreta. Por 10 tanto, se dan las siguientes
propiedades indispensables en una distribuci6n de probabilidad para una varia
ble discreta:

1) 0.::;; P(X = x).::;; 1

2)

LP(X= x) = 1

86

CAPiTULO 4DISTRIBUCIONES DE PROBABILIDAD'

.35
.34

.33
.32

.31
.30

.29
.28

.27
.26

.25
.24
.23
.22

.21

.20
"0

,19

'" .18
J,l

:0

~ .17
.16

a:

,15

.14
.13
.12
.11

.10
.09
.08

.07
.06
.05
.04
" .03

.02
,01

4
x (numero de medicamentos)

FIG,URA 4.2.1
tabla 4.2.1.

Representaci6n grafica de la distribuci6n de probabilidad de la

Tambien se observa que cada una de las probabilidades de la tabla 4.2.2 es la

frecuencia relativa de ocurrencia de cada valor de X.


Cuando se tiene disponible la distribuci6n de probabilidad, es posible hacer afir
maciones acerca de la variable aleatoria X. Se muestra con los siguientes ejemplos.

4.2

DISTRIBUCI6N DE PROBABILIDAD DE VARIABLES DISCRETAS

87

EJEMPLO 4.2.2 .
.
~

~Cual

esla probabilipad d~ ,que una mujer seleq:ionada aleatoriamente sea una de


las que consumieron tres medicamentos con 0 sin .prescripci6n?
Solucion: Se puede escribir la probabilidad deseada comoP(X = 3). En la tabla

4.2.2 se puede ver que la respuesta es .0832.


EJEMPLO 4.2.3
~Cual es la probabilidad de que una mujer seleccionada aleatoriamente haya con
sumido uno 0 dos medicamentos?

Solucion: Para responder a la pregunta, se utiliza la regIa de adici6n para eventos


mutuamente excluyentes. Mediante el uso de la notaci6n de probabili
dad y los resultados de la tabla 4.2.21a respuesta se escribe como P(l u
2) P(l) + P(2) .3228 + .1895 = .5123..

lJiStrihuciOlles acumulqdas.
AIgunas veces es mas conveniente trab~jar con
la distribuci6n de probabilidad acumulada de una variable aleatoria. La distribuci6n de
probabilidadacumuladaparala variable discreta cuya distribuci6n de probabilidad
esta dada en la tabla 4.2.2 puede obtenerse sum'ando sucesivamente las probabili
dades, P(X = x), que aparecen en la ultima columna. La probabilidad acumulada
para Xi se escribe como F(x) P(X:<;; x). Estoda la probabilidad de que X sea menor
o igual a un valor espedfico xi'
La distribuci6n de probabilidad acumulada resultante se muestra en la tabla
4.2.3. La grafica de la distribuci6n de probabilidad acumuladase muestra en la
figura 4.2.2. A una grafica de este tipo se Ie llama ojiva. La grafica de F(x) consiste
solamente en las lineas horizontales. Las lfneas verticales s610 Ie dan una aparien
cia conectada. La longitud de cada linea vertical representa la misma probabilidad
que la de la linea correspondiente en la figura 4.2.1. Por ejemplo, la longitud de la
lfnea vertical en X 3 de la figura 4.2.2 representa la misma probabilidad que
la longitud de la linea levantada en X 3 de la figura 4.2.1, 0 .0832 en la escala
vertical.
AI consultar la distribuci6n de probabilidad acumulada es posible responder
rapidamente a las preguntas de los ejemplos siguientes:
.
EJEMPLO 4.2.4
~Cual es la probabilidad de que una mujer seleccionada aleatoriamente sea una de
las que consumieron dos 0 menos medicamentos?

. Solucion: La probahilidad buscadase puede locaJizar directamente en la tabla 4.2.3,


en ellado opuesto a x = 2, donde se observa que es .8528. Es decir, P(x
:<;; 2) = .8528. Tambien se puede localizar la respuesta examinando la
figura 4.2.2 y determinando la altura de la grafica (medida sobre el eje

vertical) arriba .del.valor de:J!: = 2.

88

CAPITULO 4

DISTRIBUCIONES DE PROBABILIDAD

TABlA 4.2.3
Distribucion de probabilidad acumulada del numero
de medicamentos con y sin prescripcion utilizados durante el
embann:o entre las mujeres descritas en el ejetUplo 4.2.1
Numero de medicamentos (x)

Frecuencia acumulada P(X:'; 2)

.3405
.6633

.8528
.9360

2
3
4

.9733
.9872

.9939
.9975
.9989

7
8

.9996
.9998

10
12

1.0000

1.00
.95
.90
.85
.80
.75
.70
.65
.60
.55
~

r....

.50
.45
.40
.35
.30
.25
.20
.15
.10
.05

10

11

12

x (numero de medicamenlos)

FIGURA 4.2.2
Distribuci6n deprobabilidad acumulada del numero de medicamentos con 0
sin prescripci6n utilizados durante el embaraZo entre las mujeres descritas en el ejemplo 4.2.1.

4.3

DISTRIBUCION BINOMIAL

39

EJEMPIJO 4.2.5
~GuaJ. es la probabilidad de que una mujer seleccionada aleatoriamente sea una de
las que, consumieron menos de dos medicamentos?

SoIudon:Puesto que una mujer que consumio menos de dos medicamentos indica
que consumio uno 0 ninguno, la respuesta es la probabilidad acumulada
para 1, esdecir, P(x < 2) = P(x S 1) == .6633.

EJEMPLO 4.2.6
~Guales la probabilidad de que una mujer seleccionada aleatoriamente haya con
sumido cinco 0 mas medicamentos?

Soludon: Para encontrar la respuesta se utiliza el conceptode probabilidad com


plementaria. EI conjunto de mujeres que consumen cinco 0 mas medi
c<:l.mentos es el complemento del conjllllto de mujeres que consumen
menos de cinco (es decir, cuatro 0 menos). La suma de las probabilida
des asociadas coneste conjunto es igual a 1. Esta relacion escrita en
notacion de probabilidad es P(x 2 5) + P(x s ,4) == 1. Por 10 tanto, P(x 2
5) = 1 - P(x s 4) = 1- .9733 = .0267.

EJEIUPLO 4.2.7
~Gual es la probabilidad de que una mujer seleccionada aleatoriamente sea una de
las que consumieron entre tres y cinco medicamentos, inclusive?

Soludon: P(x s 5) = .9872 es la probabilidad de que una mujer haya consumido


entre cero y 5 medicamentos, inclusive. Para obtener la probabilidad de
entre 3 y 5, se resta de .9872 la probabilidad de 2 0 menos. La respuesta
escrita en notacion de probabilidad queda como: P(3 S x s 5) P(x s
5) - P(x s 2) = .9872 - .8528 = .1344.

La distribuci6n de probabilidad dada en la tabla 4.2.1 esta desarrollada a partir de


la experiencia real, asi que de encontrar otra variable siguiendo esta distributi6n
, seria s6lo por casualidad. Sin embargo, las distribuciones de probabilidad de mu
chas variables de interes pueden determinarse 0 asumirse sobre la base de conside
raciones te6ricas. En las siguientes secciones, se estudian con detall,e tres de estas
distribuciones te6ricas de probabilidad: binomial, Poisson y normal.

4.3

DISTRIBUCION BINOMIAL
La distribuciOn binomial es una de las distribuciones utilizadas mas ampliamente en
estadistica aplicada. La distribuci6n se deriva de llll procedimiento conocido como
ensayo de Bernoulli, nombrado as! en honor del matematico suizo James Bernoulli
(1654-1705), quien realiz6 contribuciones importantes en el campo de la probabi
lidad, induyehdo, particularmente, la distribucion binomial. Guanda en un proce
so aleatorio 0 experimento, llamado ensayo, puedeocurrir solo uno de dos resultados
mutuamente excluyentes, como vida 0 muerte, enfermo 0 sano, masculino 0 feme
nino, el ensayo se llama ensayo de Bernoulli.

90

CAPITULO 4

DISTRIBUCIONES DE PROBABILIDAD

Proceso de Bernoulli
Una secuencia de ensayos deB-ernoulli forma un proce
so de Bernoulli, si se cumplen las siguientes condiciones:
1. En cada ensayo ocurre uno de dos posibles resultados, IIiuWamente excluyentes.
Uno delos posibles resultados.se.denota (arbitrariamente) como un exito y el
otro., como fracaso.
," "
2. La probabilidad de un exito, denotado porp, permanece constante de un
ensayo a otro, y la probabilidad de fracaso, 1 - p, se denota con q.
3. Los ensayos son independientes, es decir, el resultado de alglin ensayo en
particular no es afectado por el resultado de cualquier otro ensayo.
EJEMPLO 4.3.1

Se desea calcular la probabilidadde x exitos en n ensayos de Bernoulli. Por ejem


plo, suponga que en cierta poblacion 52 por ciento de todos los nacimientos que se
registraron son varones. La interpretacion de esto es que la probabilidad del naci
miento de un varon registrado es de .52. Si aleatoriamente se escogen cinco regis
tros de nacimiento dentro de esa poblacion, ~cual es la probabilidad de que
exactamente tres de ellos pertenezcan a varones?
Solucion: Designe la ocurrencia de un registro para el nacimiento de un varon
como "exito", y se aclara que esta es una designaciori arbitraria con fines
de claridad y conveniencia y no refleja ninguna opinion respecto a la
preferencia relativa del nacimiento de varones frente a m:ujeres. La ocu
rrencia de un registro de nacimiento para un varon se designa como
exito, puesto que 10 que se busca son registros de nacimientos de varo
nes. Sise buscasen registros denacimientos de mujeres, estos sedan de
signados como exitos, y el registro de nacimientos de varones sedan
designados como fracasos.
.
Tambien es conveniente asignar el numero 1 a un exito (registro
del nacimiento de un varon) y un 0 para un fracasb (registro de naci
miento de una mujer).
El proceso que finalmente resulta en un registro de nacimiento se
considera como un proceso de Bernoulli.
Suponga que, de los cinco registros de nacimiento seleccionados,
resulta esta secuencia de sexos:
VMVVM

En forma codificada se escribe de la siguiente forma: .


.

10110
Puesto que la probabilidad de un exito .~e denota con pyla probabi
lidad de un fracaso se denota con q, la probabilidad dela secuencia de los
resultados anteriQres se calcula por medio de la regIa de multiplicacion:

P(l, 0; 1; 1, 0)

= pqppq = q2p3

4.3

DISTRIBUCION BINOMIAL

91

La regia de lamultiplicacion resulta adecuada para calcular esta proba


bilidad, puesto que sebusca la probabilidad de un varon, una mujer, un
varon, un varon y una mujer, en ese orden. En otras palabras, se requie
re la probabilidad conjunta de cinco eventos. Por razones de sencillez, se
utili zan las comas en lugar de la notacion de interseccion, para separar
10s resultados de los eventos en la expresion de la probabilidad .
.La probabilidad resultante es la de obtener la secuencia espedfica
en el orden en que se muestran. Sin embargo, el interes no esta en el
orden de ocurrencia de los registros. del nacimiento de varones y muje
res, sino, como .se ha manifestado previamente, en la probabilidad de
ocurrencia exacta de tres registros de nacimiento de varones de entre
cinco registros seleccionados aleatoriamente"En lugar de ocurrir en la
secuencia mostrada con anterioridad (secuencia numero I), los tres exi
tos y dos fracasos pueden ocurrir tambien en alguna de las secuencias
adicionales dadas en la tabla adjunta.
Numero
2
3
4

5
6
7
8
9
10

Secuencia

11100
10011
11010
11001
10101.
01110
00111
01011
01101

Cada una de estas secuencias tiene la misma probabilidad de ocu


rrir yes igual a q2p3, probabilidad calculada para laprimera secuencia
mencionada.
Cuando se extrae una sola muestra de cinco elementos a partir de
una poblacion espedfica, solo se obtiene una secuencia de exitos 0 fra
casos. La pregunta, ahora, es: ,cual es la probabilidad de obtener la
secuencia numero 1; la secuencia numero 2 ... 0 la secuencia numero 10?
Con la regIa de adicion se sabe que esta probabilidad es igual a la suma
de las probabilidades individuales. En este ejemplo se requiere sumar
las 10 q2p3, 10 que equivale a multiplicar q2p3 por 10. Ahora se puede
responder a la pregunta original: ~cual es la probabilidad de observar
tres exitos (registros de nacimiento de un varon) y dos fracasos (registros
de nacimiento de una mujer) en la muestra aleatoria de 5 elementos
extrafda de la poblacion especificada? Puesto que en Ia poblacion, p =
.52 Yq = (l - P) (1 - .52) .48, la respuesta a la pregunta es:
10(.48)2(.52)310(.2304)(.140608)

.32

92

CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD

Uso de la combinaci6n como procedimiento en maestros grandes


Facilmente se puede anticipar que hacer una lista del numero de secuencias se
hace mas y mas diffcil y tedioso segtin crece el tamano de la muestra, por 10 cual
es necesario un metodo sencillo para contar el numero de secuencias. Este meto
do es proporcionado por la formula de conteo que permite determinar rapida
mente cuantos subcoIYuntos de objetos pueden formarse cuando en diferentes
subconjuntos se utili zan numeros de objetos que componen el conjunto del cual se
extraen. Cuando el orden de los objetos dentro de un subconjunto es inmaterial, el
subconjunto se llama combinacion de objetos. Si un conjunto consta de n objetos y
se pretende formar un subconjunto de x objetos, sin ver el orden de los objetos
dentro del subconjunto, el resultado se llama combinaci6n. Por ejemplo, se define la
combinacion como sigue cuando la combinacion se forma tomando x objetos de un
conjunto de n objetos:
DEFINICION
Una cornbinaci6n de n objetos tornados x a la vez es un
subconjunto desordenado de x de los n objetos.

EI numero de combinaciones de n objetos que imeden formarse tomando x a


la vez esta dado por:
n!
.GN = - - - x!(n-x)!

(4.3.1)

donde: x!, que se lee x factorial, es el producto de todos los numeros enteros de x
hasta 1. Es decir, xl = x(x - l)(x 2) ... (1). Observe que, por definicion, 01 1.
En el ejemplo se tiene una muestra de n = 5 nacimientos y se tiene inten~s en
encontrar la probabilidad de que tres de elIos sean nadmientos de varones.
EI numero de secuencias para el ejemplo se caIcula con la ecuacion 4.3.1 como
sigue:
120

10
12
En el ejemplo, x = 3 es el numero de exitos, as! que n - x 2 representa el
numero de fracasos. Luegose escribe la probabilidad de obtener exactamente x
exitos en n ensayos:

j(x) nGxqn-xpx = nG/jrqn-N para x = 0, 1, 2, ... , n


= 0, en caso contrario

P(X

(4.3.2)

A esta expresion se Ie llama distribudon binomial. En la ecuacion 4.3.2fix)


donde X es la variable aleatoria, el numero de exitos es n ensayos. Se

= x),

4.3

TABlA 4.3.1
binomial

1
2

93

Distribucion

Numero de exitos, x

DISTRIBUCION BINOMIAL

Probabilidad, f(x)

"Coq"-0pO
"C1qn-lpl

nC2qn-2p2

x
n
1

Total

utilizaj{x) en Iugar de P(X x) porque es muy compacta y porque es de uso casi


universal.
La distribuci6n binomial se puede presentar en forma tabular como se mues
tra en la tabla 4.3.1.
Se establece que Ia ecuacion 4.3.2 es una distribuci6n de probabilidad al
mostrar 10 siguiente:
1. j{x) ~ 0 para todos los valores reales de x. Esto proviene del hecho de que n y
p no son nfuneros negativos, por 10 que n ex' px y (1- p)" -xtampoco 10 son, por
10 tanto sus productos son mayores 0 iguales a cero.

= 1. Esto se considera cierto al reconocer que 2.,,,Cxq" -x px es igual a [(1


+ p]" = I" = 1, que es la expresi6n binomial familiar. Si el binomio (q + p)n

2. 2.,j{x)
p)

es desarrollado se tiene:

+ ... + nql pn-l + pn


Si los terminos de la expansion son comparados, termino a termino, con los
fix) de la tabla 4.3.1 se aprecia que son equivalentes, termino a termino,
porque:
f(O):::: "c~n-O pO
f{l):::: n C 1q"-l. pt ::::nqn-lpl
n(n

1)

94

CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD

FJEJ\tIPLO 4.3.2

Otro ejemplo del uso de la distribucion binomial. Suponga que se sabe que 30 por
ciento de cierta poblacion es inmune a alguna enfermedad. Si se escoge una mues
tra aleatoria de 10 elementos de entre esta poblacion, ~cu<il es la probabilidad de
que dicha muestra contenga exactamente cuatro personas inmunes?
Solucion: Se tiene que la probabilidad de elegir una persona inmune es de .3. AI
utilizar la ecuacion 4.3.1 se encuentra que:
f(4)

= IOC4 (.7)6(.3)4
= 10!

(.1l7649)(.0081)

416!
=.2001

Tabla binomial
El calculo de una probabilidad empleando la ecuacion 4.3.1
puede ser una labor tediosa si el tamafio de la muestra es grande. Por fortuna, las
probabilidades para diferentes valores de n, pyx ya estan tabuladas, por 10 que
solo es necesario consultar la tabla conveniente para obtener la probabilidad de
seada. La tabla B del apendice es una de muchas tab las disponibles. Dicha tabla
presenta la probabilidad de que x sea menor 0 igual a alglin valor espedfico. Es
decir, la tabla presenta las probabilidades acumul~tivas desde x = 0 hasta alglin
numero positivo especffico de exitos.
El uso de la tabla se muestra utilizando el ejemplo 4.3.2, en el que se requiere
calcular la probabilidad de x = 4 cuando n 10 y P=.3. De acuerdo con el estudio
de la distribticion de probabilidad acumulada de la seccion anterior, se sabe que P(x
4) puede calcularse restando P(X ~ 3) de P(X ~ 4). Si en la tabla B se localiza a p
.3 para n = 10, se encuentra que P(X ~ 4) .8497 y P(X ~ 3) = .6496. La resta del
primero menos el segundo es igual a .8497 .6496 = .2001, 10 cual coincide con el
calculo manual.
Con frecuencia el interes radica no solo en determinar las probabilidades
para valores especfficos de X, sino para intervalos donde la probabilidad de X este
entre, digamos, 5 y 10. Con el siguiente ejemplo se muestra 10 anterior:

r\JEJ\tIPLO 4.3.3

Suponga que se sabe que en cierta poblacion 10 por ciento es daltonica. Si se extrae
una muestra aleatoria de 25 personas de esa poblacion, con la tabla B del apendice,
encuentre la probabilidad de que:
a) Existan cinco

menos daltonicos.

Solucion: La probabilidad esta en una de las entradas de la tabla. Sin la necesidad


de sumar ni res tar, la probabilidad P(X ~ 5) = .9666.
b) Existan seis 0 mas daltonicos.
Soluci6n: Esta probabilidad no se puede encontrar directamente en la tabla. Para
encontrar la respuesta, se utiliza el concepto de probabilidades comple
mentarias. La probabilidad de que existan seis 0 mas daltonicos es el

95

4.3DISTRIBUCION BINOMIAL

complemento de la probabilidad de que, existan cinco 0 menos. Es decir,


este conjunto es el complemento del conjunto especificado en el inciso
a; por 10 tanto: '
1 - P(X::; 5) == I

P(X?:.

.9666

.0334

c) Existan entre seis y nueve daltonicos, inclusive.

Soludon: Esta probabilidad se encuentra restando la probabilidad de que X sea me


nor 0 igual a 5 de la probabilidad de que X sea mayor 0 igual a 9. Es decir:
,
P(6::; X::; 9)
d) Existandos, tres

P(X::; 9) - P(X::; 5)

.9999

.9666

.0333

cuatro daltonicos:

Soludou:' Esta es la probabilidad de que X este entre 2 y 4, inclusive.


P(X::; X::; 4)

P(X::; 4)-P(X::; 1)

.9020-.2712

.6308

Ulilizar la labia B cuando p > .5


La tabla B no da las probabilidades para
valores de p mayores a .5. Sin embargo, pueden obtenerse las probabilidades a
partir de la tabla B replanteando el problema en terminos de probabilidad de fra
caso, I -p, en lugar de en terminos de probabilidadde exito p. Como parte del
r:ep~antt::amiento, se debe pensar, tambien, en terrninos del numero de fracasos, n
x, mas que en terrninos de exitos x. Esta idea se resume de lasiguiente manera:
P(X

xln,p> .50)

= P(X

n-xln,I-p)

(4.3.3)

Puesta en palabras, la ecuacion 4.3.3 dice que: "La probabilidad de que X sea
igual a algu.n valor especffico dado el tamano de la muestra y una probabilidad
mayor que .5, es igual ala probabilidad de que X sea igual a n ~ x dado el tamano de
la muestra y la probabilidad de un fracaso I-p". Con la finalidad de utilizar la tabla
binomial, la probabilidad de un fracaso se trato como la probabilidad de un exito.
_Cuando pes mayor que .5, las probabilidades acumuladas pueden obtenerse a par
tir de la tabla B empleando la siguiente relacion:
P(X::; x In, p > .5)

= P(X ?:. n -

x In, 1 - p)

(4.3.4)

Finalmente, al utilizar la tabla B para calcular la probabilidad de que X sea mayor 0


igual a alguna x cuando P > .5, se utiliza la siguiente relacion:
P(X?:. xln,p > .5)

P(X::; n-xln, I-P)

(4.3.5)

E,JEMPLO 4.3.4

Encierta comunidad, en una tarde dada, en 85 por cientode las farnilias, alguno de
los miembros esta en casa. Un equipo de investigacion sanitaria selecdona una
muestra aleatoria de 12 familias para realizaruna encuesta via telefonica. Con la
tabla B, calcule la probabilidad de que:

96

CAPITUL04 DISTRIBUCIONES DE PROBABILIDAD

a) EI equipo encuentre a alguien en casa en 7 familias exactamente.


Soluci6n: EI replanteamiento del problema es como sigue: Si en 15 por ciento de
las familias no hay nadie en casa, ~cua:l es la probabilidad de que el
equipo que realiza la encuesta no obtenga respuesta en 5 de 12 llama
das? La respuesta se calcula como sigue:
15)

P(X = 51n= 12,

P(Xs 5)-P(Xs 4)

=.9954 - .9761
b) EI equipo encuentre a alguien en casa en 5 familias

.0193

menos.

Soluci6n: La probabilidad que se busca es:


P(X S 51n = 12,p =.85) = P(X 212 51n = 12,p =.15)
P(X271n
12,p .15)
= 1 P(Xs 61n
12,p =.15)

= 1-

.9993

.0007

c) EI equipo encuentre a alguien en casa en 80 mas familias.


.
,

Soluci6n: La probabilidad que se busca es:

= 12,p

P(X 2 81n

=.85)

= P(X S

41n

= 12,p =.15) =

.9761

La figura 4.3.1 muestra una representaci6n visual de la soluci6n para los tres incisos
del ejemplo 4.3.4.
N6mero posible
de exitos (alguien
en casal = x
P(JtxITo)

= .85

Inciso b

Numero posible
de fracasos (nadie
en casal = n -x,
P(FRACASO)
.15

Condici6n de
prohabilidad

5112,

.~5)

P(X ==

7112,

.85)

8112,

.85)

P(X

CD

Inciso c

P(X ~

12

P(X~

7112,

.15)

P(X ==

7112,

.15 )

p(X~4112,

.15)

Inciso a

11

Condici6n de
probabilidad

Representaci6n esquematica de la soluci6n del ejemplo 4.3.4 (dentro de los


6valos se encuentra el numero relevantede exitos y fracasos en cada caso).

FIGURA 4.3.1

EJERCICIOS

Parameiros bilWmiales

97

La distribucion binomial dene dos parametros, n y

p. Son parametros en el sentido de que son suficientes para especificar una distri
bucion binomial. La distribucion binomial es en realidad una familia de distribu
ciones con cada uno de los valores posibles de n y p designando a un miembro
diferente de la familia. La media y la variancia de la distribucion binomial son J.l =
np y ()2 = np( 1 - P), respectivamente.
La distribucion binomial, formalmente hablando, es aplicable en situaciones
donde el muestreo se realiza a partir de una poblacion infinita 0 a partir de una
poblacion fin ita con restitucion. Puesto que en la pnictica real las muestras son
normalmente seleccionadas sin restitucion a partir de una poblacion finita, logica
mente surge la pregunta respecto a la conveniencia de una distribucion binomial
en estas cirrunstancias. La conveniencia del uso de esta distribucion depende de
que tan drastico es el efecto de esas condiciones en la invariabilidad de p de un
ensayo a otro. Normalmente se considera que ruando n es pequeno en relacion con
N, el modelo binomial es aderuado. Algunos autores coinciden en que n es peque
no en relacion con N si N es al menos 10 veces mas grande que n.
Se dispone de muchos programas de softwareestadfstico para realizar los
calculos de la probabilidad binomial en computadoras personales. Por ejemplo,
MINITAB calcula las probabilidades individualmente 0 en forma acumulada para
valores espedficos de x, n y p. Suponga que se pretende encontrar las probabili
dades individuales desde x = 0 hasta x = 6 cuando n = 6 YP .3. Se meten los
numeros desde 0 hasta 6 en la columna 1 y se procede como 10 muestra la figura
4.3.2. Si la pretension es encontrar las probabilidades acumuladas, se procede
como en la figura 4.3.3.

FJERCICIOS

En cada uno de los siguientes ejercicios, suponga que N es suficientemente grande con rela
ci6n any que es posible utilizar la distribuci6n binomial para calcular las probabilidades que
se piden.
4.3.1 Sobre la base del amilisis de datos recolectados por el National Center for Health Statistics,
Najjar y Rowland (A-2) informaron que 25.7 por ciento (redondear a 26 por ciento para
prop6sitos del calculo) de personas adultas de EVA tienen sobrepeso. Si se extrae una mues
tra aleatoria simple de 20 adultos, encuentre la probabilidad de que el numero de personas
con sobrepeso, dentro de la muestra, sean:
a) Exactamente tres personas
b) Tres 0 mas personas

c) Menos de tres
d) Entre tres y siete, inclusive

4.3.2 Consulte el ejercicio 4.3.1. ~Cuantos adultos con sobrepeso se espera encontrar en la mues
tra de 20?
4.3.3 Consulte el ejercicio 4.3.1. Suponga que se extrae una muestra aleatoria simple de cinco
adultos. Con la ecuaci6n 4.3.2 encuentre la probabilidad de que el numero de personas con
sobrepeso en la muestra sea:
a) Cero
b) Mas de una

c) Entre uno y tres, inclusive


d) Dos 0 menos

e) Cinco

98

CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD

Datos:
C1: 0

Comandos de la sesi6n:

Caja de dialogo:
Calc> Probability Distributions>
Binomial

MTB >
SUBC>

PDF C1;
BINOMIAL

0.3.

Seleccionar Probability. Teclear 6 en Number of


trials. Teclear 0.3 en Probability of success. Se
leccionar Input column y teclear Cl. Clic OK.

Resultados:
Probability Density Function
Binomial with n = 6 and p

x
0.00
1.00
2.00
3.00
4.00
5.00
6.00

P(X

= 0.300000

= x)

0.1176
0.3025
0.3241
0.1852
0.0595
0.0102
0.0007

FIGURA 4.3.2

individual para x

Calculo efectuado por el paquete MINITAB de la probabilidad binomial


6 y P .3.

= 0 hasta x = 6, cuando n

4.3.4 Un informe del National Center for Health Statistics, bas ado en los datos de 1985, afirma
que 30 por ciento de la poblaciDn adulta de EUA son fumadores (A-3). Considere una mues
tra aleatoria simple de 15 adultos seleccionados en ese momento. Encuentre la probabilidad
de que el numero de fumadores en la muestra sean:
a) Tres
b) Menos de cinco

c) Entre cinco y nueve, inclusive


d) Mas de cinco, pero menos de 10

e) Seis 0 mas

4.3.5 Consulte el ejercicio 4.3.4 y encuentre la media y variancia del numero de fumadores en la
muestra de tamafio 15.
4.3.6 En referencia al ejercicio 4.3.4, suponga que se toma una muestra aleatoria simple de 25
adultos hoy dia y se encuentra que dos son fumadores. tRace sospechar este resultado que el
numero de fumadores ha disminuido desde 1985? iPor que sf 0 por que no?

99

EJERCICIOS

Datos:
C1: 0

Caja de dialogo:

Comandos de la sesi6n:

Calc> Probability Distributions>


Binomial

MTB >
SUBC>

CDF C1;
BINOMIAL

0 3

Seleccionar Cumulative probability. Teclear 6 en


Number of trials. Teclear 0.3 en Probability of
success. Seleccionar Input column y .teclear CI.
Clic OK

Resultados:
Cumulative Distribution Function
Binomial with n = 6 and p = 0.300000
x

0.00
1.00
2.00
3.00
4.00
5.00
6.00

P(X = x)
0.1176
0.4202
0.7443
0.9295
0.9891
0.9993
1.0000

FIGURA 4.3.3
Calculo efectuado por el paquete MINITAB de la probabilidad binomial
acumulada para x = 0 hasta x = 6, cuando n = 6 YP = .3.
4.3.7 La probabiJidad de que una persona que sufre de migrana tenga alivio con un farmaco
especffico es de-,9, Se seleccionan aleatoriamente a tres personas con migrana a las que se les
administra el farmaco. Encuentre la probabilidad de que el numero de personas que logran
alivio sean:
a) Exactamente cero

b) Exactamente uno

c) Mas de uno

d) Dos 0 menos

e) Dos 0 tres

f) Exactamente tres

4.3.8 En una investigaci6n realizada entre estudiantes de enfermerfa aspirantes al grade de maes
tria, 75 por ciento declararon que esperaban ser promovidos a un puesto mas alto un mes
despues de obtener el grado, Si este porcentaje representa a toda la poblaci6n, encontrar,
para una muestra de 15, la probabilidad de que el numero de personas que esperan una
promoci6n un mes despues de obtener eI grado sean:
a) Seis

b) AI menos siete

c) No mas de cinco

4.3.9 Dado el parametro binomial p = ,8 Yn


en la tabla 4,3.1 que 'i,f(x) = 1.

d) Entre seis y nueve, inclusive

= 3, muestre mediante el desarrollo binomial dado

100

4.4

CAPiTULO 4 DlSTRIBUCIONES DE PROBABILIDAD

DISTRIBUCION DE POISSON
La siguiente distribuci6n discreta a considerar es la distribuci6n de Poisson, Hamada
asf en honor del matematico frances Simeon Denis Poisson (1781-1840), quien
tiene amplio reconocimiento por la publicaci6n de su trabajo en 1837. Esta distri
bud6n ha sido empleada extensamente en biologfa y medicina como modelo de
probabilidad. Haight (1), en el capitulo 7 de sulibro, presenta un repertorio muy
amplio de aplicaciones.
Si x es el numero de ocurrencias de algiin evento aleatorio en un intervalo de
espacio 0 tiempo (0 algiin volumen de materia), la probabilidad de que x ocurra es
dada por
e-l.'),,;

f(x)=--, x=0,1,2 ...


(4.4.1 )
x!
La letra griega A (lambda) es el parametro de la distribuci6n y es el numero
promedio de ocurrencias del evento aleatorio dentro del intervalo (0 volumen). EI
sfmbolo e, es la constante (con cuatro decimales) 2.7183.
Se puede mostrar que fix) ~ 0 para cada x y que r x f (x)
1; por 10 tanto, la
distribuci6n satisface los requerimientos para la distribuci6n de probabilidad.
Proceso tk Poisson
Como se ha visto, la distribuci6n binomial resuita de un
conjunto de suposiciones acerca de un proceso impHcito para formar un conjunto
de observaciones numericas. Lo mismo ocurre en el caso de la distribuci6n de Poisson.
Las siguientes afirmaciones describen 10 que se conoce como proceso de Poisson.
1. Las ocurrencias de los eventos son independientes. La ocurrencia de un even

to en un intervalo l de espacio 0 tiempo no tiene efecto en la probabilidad de


una segunda ocurrencia del evento en el mismo, 0 en algiin otro intervalo.
2. Te6ricamente, debe ser posible la ocurrencia de un evento en un numero
infinito de veces dentro del intervalo.
3. La probabilidad de una sola ocurrencia del evento en un intervalo dado es
proporcional a la dimensi6n del intervalo.
4. En cualquier fracci6n infinitesimal del intervalo, la probabilidad de mas de
una ocurrencia del eVf"nto es insignificante.
Una caracterfstica interesante de la distribuci6n de Poisson es que la media y
la variancia son iguales.
La distribuci6n de Poisson se emCuundo utilizur el modelo de Poisson
plea cuando se cuentan los eventos 0 entidades, distribuidos al azar en espacio 0
tiempo. Es facil intuir cuando cierto proceso obedece a la ley de Poisson, y bajo esta
suposici6n se puede calcular la ocurrencia de eventos 0 entidades en alguna unidad
1 Por comodidad, la distribuci6n de Poisson se estudia en terminos de intervalos, aunque tambien inter
vienen otras unidades como volumen.

4.4

DISTRIBUCION DE POISSON

101

de espacio 0 tiempo. Por ejemplo, suponiendo que la distribuci6n de alglin parasi


to entre miembros individuales huespedes sigue la ley de Poisson, y conociendo el
parametro A, se puede calcular la probabilidad de que al seleccionar aleatoriamente
un huesped individual este produzcax nfunero de parasitos. En el siguiente capitu
lo se aprendera c6mo decidir si es recomendable suponer que un proceso especffi
co obedece la ley de Poisson.
Se consideran los siguientes ejemplos que muestran el uso de la distribuci6n
de Poisson para el calculo de probabilidades:
FJEMPLO 4.4.1

En un estudio de suicidas, Gibbons et al. (A-4) encontraron que la distribuci6n men


sual de adolescentes suicidas en el condado de Cook, Illinois, entre 1977 y 1987
sigui6 una distribuci6n de Poisson con parametro A 2.75. Encuentre la probabili
dad de que un mes seleccionado aleatoriamente sea uno en el que ocurri6 el suici
dio de tres adolescentes.
Solucion: Con la ecuaci6n 4.4.1 se encuentra que la respuesta es:

e- 2.75 2.75 3 (.063928)(20.796875)


P(X=3)=::::
3!

.221584

FJEMPLO 4.4.2

En referencia al ejemplo 4.4.1, suponga que eI suicidio futuro de adolescentes en la


poblaci6n analizada seguira una distribuci6n de Poisson. ~Cual es la probabilidad
de que un mes seleccionado aleatoriamente sea uno en eI que ocurriran tres 0
cuatro suicidios?
Solucion: Puesto que los dos eventos son mutuamente exduyentes, se utiliza la
regIa de la adici6n:
e-2.75 2.75 4
P(X =3) +P(X = 4) = .221584+--

4!

.221584 + .152338 = .373922

En los ejemplos anteriores las probabilidades se evah1an directamente con la ecua


ci6n. Sin embargo, se puede utilizar la tabla C del apendice; en ella se encuentran
las probabilidades acumuladas para varios valores de A y X.
FJEMPLO 4.4.3

Durante eI estudio de cierto organismo acuatico, se tom6 un gran numero de mues


tras de una laguna, y se cont6 eI numero de organismos en cada muestra. EI nume
ro promedio de organismos encontrados por muestra fue de dos. Suponga que el
numero de organismos sigue una distribuci6n de Poisson, y calcule la probabilidad
de que la pr6xima muestra que se tome tenga un organismo 0 menos.
Solucion: En la tabla C se aprecia que cuando A = 2, la probabilidad de que X S; 1
es .406. Es decir, P(X S; 112) = .406.
.

102

CAPITULO 4

DISTRIBUCIONES DE PROBABILIDAD

E,JEMPLO 4.4.4

Consulte el ejemplo 4.4.3 y calcule la probabilidad de que la siguiente muestra


tenga exactamente tres organismos.
Solucion: P(X ~ 312)

P(X ~ 3) - P(X ~ 2)

.857 - .677 := .180

E,JEMPLO 4.4.5

Consulte el ejemplo 4.4.3 y encuentre la probabilidad de que la siguiente muestra


tenga mas de cinco organismos.
Solucion: Puesto que el conjunto de mas de cinco organismos no inc1uye cinco, la
pregunta se refiere a la probabilidad de observar seis 0 mas organismos.
La respuesta se obtiene al restar la probabilidad de observar cinco 0 me
nos (organismos) de 1. Esto es:
P(X> 512):= 1 P(X~ 5):= 1

.983:= .017

Datos:
Cl: 0

Gaja de dialogo:

Comandos de la sesi6n:

Calc> Probability Distributions> Poisson

MTB > PDF Cl;


SUBC>
Poisson

.70.

Seleccionar Probability. Tec1ear .70 en Mean.


Seleccionar Input column y teclear Cl. Clk OK.
Resultados:
Probability Density Function
Poisson with mu
x

0.00
1.00
2.00
3.00
4.00
5.00
6.00

0.700000

P(X = x)
0.4966
0.3476
0.1217
0.0284
0.0050
0.0007
0.0001
.FIGURA 4.4.1
Cileulo efectuado por el paquete MINITAB de la probabilidad de Poisson
individual para x = 0 hasta x 6 y A, = .7.

103

EJERCICIOS

Muchos paquetes de software estadisticos calculan las probabilidades de Poisson, y


para este prop6sito se utiliz6 el paquete MINITAB. Suponga que se quiere encon
trar la probabilidad individual para x desde x 0 hasta x = 6, cuando 'A = .7. Se
meten los datos de x en la columna 1 y se procede como se muestra en la figura
4.4.1. Se obtienen las probabilidades acumuladas para los mismos valores de x y A.
como se muestra en la figura 4.4.2.

EJERCICIOS
4.4.1 Suponga que se sabe que en cierta area de una gran ciudad el numero promedio de ratas por
manzana es de cinco. Suponga que el numero promedio de ratas sigue una distribuci6n de
Poisson, y calcule la probabilidad de que en una manzana elegida aleatoriamente:

a) Existan exactamente cinco ratas.

b) Existan mas de cinco ratas.

c) Existan menos de cinco ratas.

d) Existan entre cinco y siete ratas, inclusive.

Datos:
Cl: 0

Caja de dialogo:

Comandos de la sesi6n:

Calc> Probability Distributions>

Poisson

Seleccionar Cumulative probability. Teclear .70


en Mean. Seleccionar Input column y teclear Cl.
Clic OK.

MTB > CDF Cl;


Poisson
SUBC>

.70.

Resultados:
Probability Distribution Function
Poisson with mu
x

0.00
1.00
2.00
3.00
4.00
5.00
6.00

0.700000

P(X = x)
0.4966
0.8442
0.9659
0.9942
0.9992
0.9999
1.0000
FIGURA 4.4.2
Calculo efectuado par el paquete MINITAB de la probabilidad de Poisson
acumulada para x = 0 hasta x 6 y Ie = .7.

104

CAPiTULO 4

DISTRIBUCIONES DE PROBABILIDAD

4.4.2 Suponga que en un periodo de varios aftos el nfunero promedio de muertes por cierta enfer
medad no contagiosa es de 10. Si el numero de muertes por esa enfermedad sigue la distri
buci6n de Poisson, emil es la probabilidad de que durante el ano en curso:
Exactamente siete personas mueran por esa enfermedad
b) Diez 0 mas personas mueran por esa enfermedad
c) No haya muertes por esa enfermedad
a)

4.4.3 Si el numero promedio de accidentes graves por ano en una fibrica grande (donde el nfunero de
empleados es constante) es de cinco, calcule la probabilidad de que en el ano en curso haya:
a) Exactamente siete accidentes

b) Diez 0 mas accidentes

c) Cero accidentes

d) Menos de cinco accidentes

4.4.4 En un estudio sobre a la efectividad de un insecticida contra cierto insecto, se fumig6 una
gran area de tierra que, mas tarde, se examin6 por cuadrantes elegidos aleatoriamente y en
la que se cont6 el numero de insectos vivos por secci6n. Experiencias previas han demostra
do que el numero promedio de insectos vivos por cuadrante, despues de fumigar, es de .5. Si
el numero de insectos vivos por secci6n sigue una distribuci6n de Poisson, emil es la probabi
lidad de que cierto cuadrante elegido tenga:
a)

b) Cero insectos vivos

Exactamente un insecto vivo

c) Exactamente cuatro insectos vivos

d) Uno 0 mas insectos vivos

4.4.5 En cierta poblaci6n, cada ano se diagnostica un promedio de 13 nuevos casos de cancer
esofagico. Si la incidencia anual de este tipo de cancer sigue una distribuci6n de Poisson,
calcule la probabilidad de que en un ano determinado el numero de nuevos casos diagnosti
cados de cancer sea:
Exactamente 10
c) No mas de 12

a)

b) AI menos ocho

d) Entre nueve y IS, inclusive

e) Menos de siete

4.5 DISmmUCIONES DE
PROBABHIDAD CONTINUA
Las distribuciones de probabilidad consideradas hasta aqui, binomial y de Poisson,
son distribuciones de variable discreta. Ahora se consideran las distribuciones
de variable aleatoria continua. En el capitulo 1 se dijo que una variable continua es
aquella que puede asumir cualquier valor en un intervalo espedfico de valores.
Consecuentemente, entre cualesquiera dos valores asumidos por la variable conti
nua existe un m1mero infinito de valores.
Para comprender, la naturaleza de la distribuci6n de una variable aleatoria
continua, considere los datos presentados en la tabla 1.4.1 yen la figura 2.3.2. En la
tabla hay 169 valores para la variable aleatoria edad. EI histograma de la figura
2.3.2 esta construido con puntos espedficos localizados sobre una linea, que repre
senta la medici6n de interes y que forma una serie de rectangulos, cuyas bases son
las distancias entre dos puntos espedficos, sobre la linea y cuyas alturas representan
el numero de val ores de la variable que caen entre los dos puntos especificados. Los
intervalos delimitados por cualquier par de puntos especificados consecutivos se
llaman intervalos de clase.

4.5

105

DISTRIBUCIONES DE PROBABILIDAD CONTINUA

fIx)

FIGURA 4.5.1
Histograma resultante de un gran numero de valo
res y c1ases de intervalos pequenos.

Como se estudi6 en el capitulo 2, las subareas del histograma corresponden a las


frecuencias de ocurrencia de los valores de la variable entre los lfmites de la esc ala
horizontal de esas subareas. Esto proporciona un metodo para calcular la frecuen
cia relativa de ocurrencia de valores entre dos puntos especfficos; tan s610 es nece
sario determinar la proporci6n del area total del histograma que se encuentra entre
los puntos especificados. Esto se puede hacer mas convenientemente consultando
las columnas de frecuencia relativa 0 frecuencia relativa acumulada en la tabla 2.3.2.
Imagine ahora una situaci6n donde el numero de valores de la variable aleatoria
es muy grande y la amplitud de los intervalos de clase es muy pequefia. EI histograma
resultante seria como el que se muestra en la figura 4.5.1.
Si se conectan los puntos medios de las celdas del histograma en la figura
4.5.1 para formar un poligono de frecuencia, se obtendra una figura mas suave que
el polfgono de frecuencia de la figura 2.3.4.
En general, cuanto mas se aproximan a infinito el numero de n observacio
nes, y la amplitud de los intervalos de clase se aproximan acero, el polfgono de
frecuencia se aproxima a una curva mas suave como la que se muestra en la figura
4.5.2. Estas curvas suaves se utili zan para representar gnlficamente las distribucio
fIx)

FIGURA 4.5.2

Representaci6n grafica de una distribuci6n continua.

106

CAPiTULO 4

DISTRIBUCIONES DE PROBABILIDAD

fIx)

a
x
FIGURA 4.5.3
Gratica de una distribuci6n continua que
muestra el area entre a y b.

nes de las variables aleatorias continuas. Esto tiene algunas consecuencias imp or
tantes cuando se trabaja con distribuciones de probabilidad. Primero, el area total
bajo la curva es igual a uno, como 10 es para el histograma, y la frecuencia relativa
de ocurrencia de los valores entre dos puntos especfficos cualesquiera, sobre el eje de
las x, es igual al area total delimitada por la curva, el eje de las x y las rectas perpen
diculares levantadas sobre ambos puntos del eje de las x, tal como 10 muestra la
figura 4.5.3. La probabilidad de cualquier valor especifico de la variable aleatoria es
cera. Esto es logico, puesto que un valor especffico se representa como un punto
sobre el eje de las x y el area por encima de ese punto es cero.
COIRO encontrar el area bajo la curva En un histograma, seg(tn se ha
visto, las subareas de interes se calculan sumando areas representadas por las co
lumnas (celdas). En el caso de una curva, esta no presenta celdas, por 10 que se debe
buscar un metodo para calcular las subareas. Este metodo es suministrado por el cileu
10 integral. Para calcular el area bajo la curva entre dos puntos cualesquiera a y b, se
integra lafunci6n de densidad de a a b. Unafunci6n de densidad es una formula em
pleada para representar la distribuci6n de una variable aleatoria continua. La inte
gracion es el caso lfmite de la sumatoria, aunque aqui no se efectua ninguna
integracion, puesto que las materna tic as involucradas estan mas aHa del alcance de
este Iibro. Tambien, como se ve mas adelante, para todas las distribuciones conti
nuas a considerar existe una forma mas fadl para calcular el area bajo la curva.
Aunque la definicion de distribucion de probabilidad para una variable
aleatoria continua esta implfcita en el estudio anterior, a modo de resumen se pre
senta como sigue en forma mas concreta.

DEFINICION
A una funci6n no negativa f(x) se Ie llama distribucion de
probabilidad (tambien llamada, algunas veces, funci6n de
densidad de probabilidad) para la variable aleatoria
continua X, si el area total deliInitada por su curva y el
eje de las x es igual a 1 y si la subarea delimitada por la
curva, el eje de las x, y por las lineas perpendiculares
levantadas sobre dos puntos cualesquiera a y b da la
probabilidad de que X este entre los puntos a y b.

4.6

4.6

DISTRIBUCI6N NORMAL

107

DISTRIBUCION NORMAL
A continuaci6n se estudia la distribuci6n mas importante en toda la estadistica: la
distribucwn normal. La f6rmula para esta distribuci6n fue publicada por Abraham
De Moivre (1667-1754) el 12 de noviembre de 1733. Muchos otros matem:hicos
destacan en la historia de la distribuci6n normal, induyendo a Carl Friedrich
Gauss (1777-1855). A esta distribuci6n frecuentemente se Ie llama distribuciOn de Gauss
como reconocimiento a las contribuciones de este matematico.
La densidad normal esta dada por
f(X) =

/20')

oo<X<oo

(4.6.1)

En la ecuaci6n 4.6.1, 1t Ye son constantes conocidas, 3.14159 ... y 2.71828 .. "


respectivamente, que se utilizan con frecuencia en matematicas. Los dos parametros
de la distribuci6n son: ~, la media, y (J la desviaci6n est;indar. Para el objetivo de
esta secci6n se puede pensar que ~ y (J son medidas de tendencia central y disper
si6n para la distribuci6n normal, respectivamente, tal como se estudia en el capitu
lo 2. Sin embargo, debido a que la variable aleatoria distribuida normalmente es
continua y toma valores entre 00 y + "", su media y desviaci6n estandar se pueden
definir de manera mas rigurosa, aunque estas definiciones no pueden darse sin
utilizar el calculo. La grafica de la distribuci6n normal produce la ya conocida cur
va en forma de campana, tal como se muestra en la figura 4.6.1.
Las siguientes caracteristicas
Caracleristicas de la distribuci6n normal
son las mas importantes para la distribuci6n normal.
1. Es simetrica respecto a su media)1. Tal como se muestra en la figura 4.6.1, la

curva hacia cualquiera de los lados de ~ es una imagen de espejo de la del otro
lado.
2. La media, la mediana y la moda son todas iguales.
de las x es una unidad de area. Esta
3. EI area total bajo la curva sobre el
caracterfstica se deduce del hecho de que la distribuci6n normal es una distri
buci6n de probabilidad. Debido a la simetria mencionada anteriormente, 50

JL

FIGURA 4.6.1

Grifica de la distribud6n normaL

108

CAPiTULO 4

DISTRIBUCIONES DE PROBABILIDAD

por ciento del area esta a la derecha de la perpendicular levantada sobre Ia


media, y el otro 50 por ciento dellado izquierdo.
4. Si se levantan perpendiculares a una distancia de una desviaci6n est<indar des
de la media hacia ambos lados, el area de1imitada por esas perpendiculares, eI
eje de las x y la curva sera de 68 por ciento del area total, aproximadamente.
Si los lfmites laterales se extienden ados desviaciones estandar en ambos
lad os de la media, estara induido aproximadamente 95 por ciento del area, y
extendiendolos a una distancia de tres desviaciones esrandar, aproximada
mente 99.7 del area total estara englobada. Las areas aludidas se muestran en
la figura 4.6.2.

,u-1u,u,u+1u

(a)

.025

.025

,u
(b)

.0015

.0015
,u-3u

,u

,u+ 30'

{el

FIGURA 4.6.2
Subdivision del area bajo la curva normal
(las areas son aproximadas).

109

4.6 DISTRIBUCION NORMAL

FIGURA 4.6.3
riabilidad.

Tres distribuciones normales con diferente media, pero con la misma va

5. Los parametros J..l y cr determinan completamente la distribuci6n normal. En


otras palabras, por cada valor diferente de J..l y cr se especifica una distribuci6n
normal distinta. Los valores diferentes de J..l desplazan la grafica de la distribu
ci6n a 10 largo del eje de las x, tal como se muestra en la figura 4.6.3. Los valores
de cr determinan el grado de aplanamiento 0 levantamiento de la grafica de la
distribuci6n, tal como se muestra en la figura 4.6.4.

DistribuciOn normal esttindar


La ultima caracteristica mencionada de la
distribuci6n implica que la distribuci6n normal es realmente una familia de dis
tribuciones en la que un miembro se distingue de otro seglin los valores de J..l y cr.
EI miembro mas importante de esta familia es la distribucion normal estdndar 0
distribucion normal unitaria, Hamada as! en ocasiones porque tiene una media igual a
cero y una desviaci6n estandar igual a 1. Esta distribuci6n se puede obtener a partir
de la ecuaci6n 4.6.1, creando una variable aleatoria z = (x - J..l )/cr. La ecuaci6n
para la distribuci6n normal estandar se escribe:

/2, _

00

< z < 00

(4.6.2)

FIGURA 4.6.4
Tres distribuciones normales con diferente desviaci6n estandar pero con
la misma media.

110

CAPITULO 4

FIGllRA 4.6.5

DISTRIBUCIONES DE PROBABILIDAD

Distribuci6n normal estindar.

La grafica de la distribuci6n normal estandar se muestra en la figura 4.6.5.

Para calcular la probabilidad de que z tome un valor entre dos puntos cuales
quiera sobre el eje de las z, por ejemplo Zo y se debe calcular el area delimitada
por las perpendiculares levantadas en esos puntos, la curva y el eje horizontal. Tal
como se mendon6 anteriormente, las areas bajo la curva de una distribuci6n conti
nua se calculan integrando la funci6n entre dos valores de la variable. Entonces, en
el caso de la normal estandar, para calcular directamente el area entre Zo Y z,' es
necesario calcular la siguiente integral:

r~-Z'f2dz

zo&

Afortunadamente, no hay nada que ver con las integrales porque existen tablas
disponibles en las que se puede consultar el resultado de todas las integraciones
que aqul puedan necesitarse. La tabla D, del apendice, es un ejemplo de estas ta
bIas. En el cuerpo de Ia tabla D se encuentran las areas bajo la curva entre O<:J y los
valores de z mostrados en Ia columna izquierda de la tabla. EI area sombreada de Ia
figura 4.6.6 representa el area que aparece como Iista en la tabla, para los valores
entre O<:J y zo' donde Zo es el valor espedfico de z.
Ahora, con los siguientes ejemplos se muestra el uso de la tabla D.

FIGURA 4.6.6

Area dada por la tabla D del apendice.

4.6

DISTRIBUCION NORMAL

111

EJEMPLO 4.6.1

Dada la distribucion normal estandar, calcular el area bajo la curva, arriba del eje z,
entre z = - 00 y z = 2.
Soluci6n: Resulta utH dibujar la grafica de la distribudon normal estandar y som
brear el area que se pide tal como se muestra en la figura 4.6.7. Si se
localiza z
2 en la tabla D y se lee el valor correspondiente en el
cuerpo de la tabla, se encuentra que el area solicitada es .9772. Esta
area se puede interpretar de diferentes formas: como la probabilidad
de que una z elegida aleatoriamente de entre una pobladon de val ores de
z este entre - 00 y 2, como la frecuencia relativa de ocurrenda (0 pro
pordon) de valores de z entre -ooy 2, 0 bien se puede decir que 97.72 por
ciento de los valores de z estan entre 00 y 2.

o
FIGUR-\' 4.6.7
areaentrez =

Distribuci6n normal estandar que muestra el


coy z = 2.

EJEMPLO 4.6.2
~Cual es la probabilidad de que una z, tomada al azar de entre los valores de z, este
entre -2.55 y + 2.55?

Soluci6n: La figura 4.6.8 muestra e 1 area que se pide. En la tabla D se da el area


entre 00 y 2.55, que se obtiene localizando el valor de 2.5 en la prime
ra columna de la izquierda de la tabla y buscando sobre el renglon hasta

-2.55

HGUKA 4.6.8

2.55

Curva normal estandar para mostrar P(-2.55 < z < 2.55).

112

CAPiTULO 4

DISTRIBUCIONES DE PROBABILIDAD

eneontrar la entrada de la columna eneabezada por 0.05. EI area es de


.9946. Si se observa la grafiea dibujada es posible apreciar que el area es
mayor que la que se pide, por 10 que es neeesario restar de .9946 el area a
la izquierda de -2.55. AI consultar la tabla D, esta muestra que el area a la
izquierda de -2.55 es .0054. Porlo tanto, la probabilidad que se busea es:
P(-2.55 < z < 2.55) = .9946 - .0054

.9892

Suponga que se pide calcular la probabilidad de que z esta entre -2.55 y 2.55 inclu
sive. La probabilidad que se pide se expresa como P(-2.55 :s; z ~ 2.55). Como se
mencion6 en la seeei6n 4.5, P(z = zo) = 0, entonees, P(-2.55 :s; z :s; 2.55) = P(-2.55
< z < 2.55) = .9892.
EJEMPLO 4.6.3
~Cuantos

valores de z estan entre -2.74 y 1.53?

Soindon: La figura 4.6.9 muestra e1 area que se pide. En la tabla D se encuentra


que el area que esta entre 00 y 1.53 es .9370, y el area entre - 00 y -2.74
es .0031. Para obtener la probabilidad se resta .0031 a .9370. Esto es,
P(-2.74:S; z:s; 2.153)

-2.74

.9370 - .0031 = .9339

1.53

FlGUR!\ 4.6.9
CUIva normal estfuldar para mostrar la pro
porci6n de los valores de z entre z -2.74 y z 1.53.

EJEMPLO 4.6.4

Dada la distribuci6n normal estandar, calcular P(z ;;:: 2.71).


Soindon: EI area deseada se muestra en la figura 4.6.10. Para obtener el area a la
derecha de z 2.71 se resta el area entre "" y 2.71 de 1. Asi,
P(z;;:: 2.71) = I-P(z:S; 2.71)

= 1- .9966
.0034

EJERCICIOS

o
FIGUM 4.6.10

113

2.71

Distribuci6n normal estindar para mostrar P(z

2.71).

EJEMPLO 4.6.5

Dada la distribuci6n normal estandar, calcule P(.84 S z s2.45).


Soluci6n: EI area que se desea calcular se muestra en la figura 4.6.11. Primero se
obtiene el area entre 00 y 2.45 a Ia que se Ie resta el area entre - 00 y .84.
En otras pa]abras,
P(.84 s z s 2.45)

= P(z s 2.45)

P(z s .84)

= .9929 - .7995
= .1934

FIGUM 4.6.11

Curva normal esUindar para mostrar P(.84::;; z::;; 2.45).

FJERCICIOS
Dada la distribuci6n normal estandar, calcule:
0yz

4.6.1

EI area bajo la curva entre z

4.6.2

La probabilidad de que una z, sacada al azar, tenga un valor entre z

4.6.3

P(z

.55).

1.43.

4.6.4 pez 2: - .55).

= -2.87 Yz

2.64.

114

CAPiTULO 4

DlSTRIBUCIONES DE PROBABILIDAD

4.6.5 P(Z < -2.33).


4.6.7 P(-1.96S; Z S; l.!'J).
4.6.9 P(-1.65:::; Z S; 1.65).

4.6.6 P(z < 2.33).


4.6.8 P(-2.58 $

Z S;

2.58).

4.6.10 P(z = .74).

Dadas las siguientes probabilidades, calcule Zj:


4.6.12 P(-2.67 S; Z S; Zl) =.9718.

4.6.11
4.6.13

P(z S; Zj)
.0055.
P(z>Zj) =.0384.

4.6.15

P(-Zj$

Z S;Zj)

4.6.14P(zjS;z$2.98)=.11l7.

.8132.

4.7 APLICACIONES DE DISTRIBUCION NORMAL


Aunque su importancia en el campo de la estadfstica es indiscutible, uno puede
darse cuenta de que la distribucion normal no es una ley inherente a todas las
caracterfsticas mesurables que ocurren en la naturaleza. Sin embargo, es verdad
que muchas de estas caracterfsticas tienen una distribucion aproximadamente nor
mal. En consecuencia, aun cuando no existe variable alguna que en la practica se
encuentre distribuida con precision, la distribucion normal se puede utilizar como
modelopara normalizar la distribucion de muchas variables de interes. Al utilizar
la distribucion normal como modelo, es posible establecer afirmaciones de proba
bilidad mas utiles y mucho mas convenientes para algunas variables que si se utili
zara un modelo mas complicado. _
La estatura y;la inteligencia humana son consideradas frecuentemente como
ejemplos de variables que tienen aproximadamente una distribuci6n normal. En
otras palabras, muchas distribuciones importantes para el campo de la salud no se
pueden describir correctamente mediante una distribucion normal.Sin embargo,
si se sabe que la variable aleatoria sigue una distribucion aproximadamente normal
0, en el caso de ignorarlo, se considera razonable hacer esta suposicion, la distribu
cion normal es de gran ayuda para el estadfstico en su esfuerzo para resolver pro
blemas practicos relativos a esa variable. Sin embargo, se debe tener en mente que
10 normal en este contexto se refiere a las propledades estadfsticas para el conjunto
de datos, y de ninguna manera implica normalidad en el sentido de condiciones
medicas 0 de salud.
Existen varias razonesmas pot las que la distribuci6n normal es muy impor
tante en estadfstica, las cuales seran consideradas a su debido tiempo. Por ahora, se
consider a la forma de responder a preguntas sencillas de probabilidad acerca de
variables aleatorias cuando se sabe, 0 es razonable suponer, que estas presentan
una distribuci6n aproximadamente normal.
FJEl\IPLO 4.7.1
Como parte de un estudio de la enfermedad de Alzheimer, Dusheiko (A-5) report6
datos que son compatibles con la hip6tesis de que los pesos de los cerebros de las
vfctimas de esa enfermedad siguen 4na distribucion normal. A partir de los datos
develados, se puede calcular la media de 1076.80 gramos con una desviaci6n
estandar de 105.76 gramos. Si se asume que estos resultados son aplicables a todas

4.7

APLICACIONES DE DISTRIBUCION NORMAL

t15

FIGURA 4. 7.1
De una distribuci6n normal a una distribu
ci6n aproximada de pesos de los cerebros de pacientes enfer
mos de Alzheimer (con estimaci6n de media y desviaci6n
estandar).

las vfctimas de Alzheimer, encuentre la probabilidad de que una victima selecciQna


da al azar tengaun c~rebro que pese menos de 800 gramus.

Soludom En la figura 4.7.1 se puede apreciar la gnifita que describe la distribu


ci6nyel area sQmbreadaque cQrresPQnde a laprQbabilidad sQlicitada.
Si la distribuci6n fuera una distribuci6n normal estandar CQn una
media de 0 y una desviaci6n estandar de 1, serfa PQsible utilizar la tabla
D para eilcQntrar la probabilidad CQn PQCQ esfuerzQ.AfQrtunadamente,
es factible para cualquier distribuci6n nQrmaltransfQrmarla CQn facili
dad en una distribuci6n nQrmal estandar. EstQse IQgra transfQrmandQ
tQdus IQS valores de X en IQS valQres cQrrespondientes de z. EstQ significa
que la media deX se puedevolver 0, la media de z; Enla figura 4.7.2 se
muestran ambas distribuciQnes. Se puede determinar que e1 valor de z,

-2.62

FIGURA 4.7.2
Distrihuci6n normal del peso de los
cerebros (x) y la distribuci6n normal estandar (z).

116

CAPiTULO 4

DISTRIBUCIONES DE PROBABILIDAD

por decir ZO' corresponde a una x de 800. Esto se hace con la siguiente
formula:

z=

(4.7.1)

(j

que transforma cualquier valor de x en cualquier distribucion normal


para los valores ccirrespondientes de z en ladistribucion normal estandar.
Para este ejemplo se tiene:

z = 800 -1076.80 = -2.62


105.76

Entonces, el valor buscado para Zo es -2.62.

AI ex~ullinar esta relacion minuciosamente, se observa que la distancia de la media,


1076.80, hasta el valor de x, 800, es 800 1076.80 -276.80, que representa una
distancia de 2.62 unidades de desviacion est<indar. Cuando se transforman los valo
res correspondientes al peso del cerebro, la distancia del valor de z desde su media,
O,es igual a la distancia del valor x correspondiente desde su media, 1076.80, en
unidades de desviacion est<indar. A esto se refiere la distancia anterior de 2.62 uni
dadesdedesviaci6n est<indar. En la distribuci6n z, uI).adesviacion estandar es igual
a 1,. y, en consecuencia, el punto en la escala dez se localiza a una dis.tancia de 2.62
unidades de desviaci6n estandar antes de 0, es decir, z -2.62, resultado que se
obtiene con la formula. AI consultar la tabla D, se encuentra que el area a la izquier
da de z= -2.62 es .0044. Se puede resumir este analisis como sigue:

P(x < 800) = p(z < 800 1076.80) =P(z < -2.62)

.0044

105.76

Para responder a la pregunta original, se dice que la probabilidad de que un paciente


seleccionado al azar tenga un cerebro que pese mehos de 800 gramos es de .0044.
EJEMPLO 4.7.2

Suponga que se sabe que la estatura de cierta poblacion de individuos sigue una
distribuci6n aproximadamente normal con media de 70 pulgadas y una desviaci6n
estandar de 3 pulgadas. ~Cual es la probabilidad de que una persona seleccionada
al azar de este grupo tenga una estatura entre 65 y 74 pulgadas?
Solucion: En la figura 4.7.3 se muestra la distribuci6n de las estaturas y la distribu
cion z que resulta de transformar los valores originales para determinar
las probabilidades deseadas. Se encuentra que el valor z correspondien
te para una x de 65 es:

z 65-70 =-1.67 ....


3

'

4.7

APLICACIONES DE DISTRIBUCIONNQRMAL

65

70

-1.67

117

1.33

FIGURA 4.7.3
Distribuci6n de estaturas (x) y la distribuci6n
normal estandar correspondiente (z).

AnaIogamente, para x = 74 se tiene

74-70

= 1.33

En la tabla D se encuentra que el area entre - 00 y -1.67 es de .0475 y el


area entre - 00 y 1.33 es .9082. El area deseada es la diferencia entre
.9082 .0475 = .8607. En resumen,
P(65::; x::; 74

p(65;70< z::;

74 7
3

P(- 1.67::; z::; 1.33) .

P(- 00::; z::; 1.33) -P(- 00::; z::; 1.67)

.9082 .0475

.8607

Por 10 tanto, la probabilidad .8607 responde a la pregunta original.


E,JEMPLO 4.7.3

En una poblacion de 10,000 de las personas descritas en el ejemplo 4.7.2, ~cmintas


personas se espera que tengan una estatura de 6 pies y 5 pulgadas 0 mas?

118

CAPITULO 4

DISTRIBUCIONES DE PROBABIUDAD

Soluci6n: Primero se calcula la probabilidad de que una persona, elegida al azar


entre esa poblacion, tenga una estatura de 6 pies y 5 pulgadas; esto es,
P(x? 77)

p[

z? 77;70) = P(z? 2.33)

=1- .9901 = .0099

Se puede esperar que de las 10,000 personas: 10,000(.0099) = 99 ten


gan una estatura de 6 pies y 5 pulgadas (77 pulgadas) 0 mas.

Se puede utilizar el paquete MINITAB para calcular la probabilidad normal estandar


acumulada. Suponga que se pretende encontrar la probabilidad acumulada para los
siguientes valores de z: -3, -2, -1, 0,2 Y 3. Se meten los valores de zen la columna
1 y se procede como se muestra en la figura 4.7.4.

Datos:
C 1: -3 -2 -I 0 1 2 3
Caja de dialogo:

Comandos de la sesi6n:

Calc> Probability Distributions> Normal

MTB > PDF Cl;

SUBC>

Normal

o 1.

Seleccionar Cumulative probability. Seleccionar


Input column y teclear Cl. Clic OK..

R.esultados:
.

Cumulative Distribution Function

Normal with mean


0 and standard
deviation = 1.00000

x
-3.0000
-2.0000
-1.0000
0.0000
LoOOO

2.0000
3.0000

P{X = x}
0.0013
0.0228
0.1587
0.5000
0.8413
0.9772
0.9987

. FIGURA 4.t4

acumuladas.

Calculos con el paquete MINITAB de-las probabilidades normales estindar

EJERCICIOS

119

FJERCICIOS
4.7.1 Suponga que las edades deinicio de cierta enfermedad tienen una distribuci6n aproximada c
mente normal, con una media de 11.5 anos y una desviaci6n estandar de 3 anos. Un nino
contrae recientemente la enfermedad. Cual es la probabilidad de que la edad del nino sea:
a) Entre 8.5 y 14.5 anos

b) Mas de 10 afios

c) Menos de 12

4.7.2 En un estudio de dactilografia, unacaracteristica cuantitativa.muy importante es el total de


surcos en los 10 dedos de unindividuo. Suponga que el total de surcos en los dedos de los
individuoS'en determinada poblaci6n tienen distribuci6n aproximadamente normal con una
media de 140 y una desviaci6n estandar de 50. Calcule la probabilidad de que un individuo,
.elegido al azar entre esa poblaci6n, tenga un total de surcos en los dedos:
a) De 200

mas

b) Menos de 100
c) Entre 100 y 200

d) Entre 200 y 250


e) En una poblacion de 10,000 personas,~Cuantos puede esperarse que tengan un total de

200 surcos

mas?

4.7.3 Si la capacidad de la cavidad craneana de una. poblacion tiene una distribuci6n aproximada
mente normal, con una media de 1400 cc y una desviacion estandar de 125 cc, calcule la
probabilidad de que una persona, elegida al azar entre esa poblaci6n, tenga una capacidad
de cavidad craneana:
a) Mayor que 1450 cc
c) Entre 1300 y 1500 cc

b) Menor que 1350 cc

4.7.4. Suponga que el tiempo promedio de permanencia hospitalaria por enfermedad cronica
para un tipo de paciente es de 60 dias, con una desviaci6n esmndar de 15. Si es razonable
suponer que se tiene una distribuci6n aproximadamente normal para el tiempo de hospita
lizacion, calcule la probabilidad de que un paciente, elegido aleatoriamente entre ese grupo,
tenga una hospitalizacion:
a) Mayor que 50 dias

b) Menor que 30 dias

d) De mas de 90 dias

c) Entre 30 y 60 dias

4.7.5 Si el nive! total de cole sterol en cierta poblaci6n tiene una distribuci6n aproximadamente
normal, con una media de 200 mgl100 m! y una desviaci6n estandar de 20 mg/lOO m!,
calcule la probabilidad de que un individuo, elegido al azar de entre esa poblaci6n, tenga un
nivel de colestero!:
a) Entre 180 y 200 mg/100 mi

c) Menor que 150 mg/lOO ml

b) Mayor que 225 mg/lOO m!

d) Entre 190 y 210 mg/IOO mi

4.7.6 Dada un:a pobla:cion con distribuci6n normal, con una media de75 y una variancia de 625,
calcule:
a) P(50:::; x:s; 100)
. c) P(x < 60)
e) P(30:::; x:::; 110)

b) P(x > 90)


d) P(x ~ 85)

120

CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD

4.7.7 Los pesos de una poblaci6n de mujeres j6venes, tienen una distribuci6n aproximadamente
normal con una media de 132 libras y una desviaci6n estandar de 15. Calcule la probabili
dad, de que unajoven, elegida al azar entre esa poblaci6n, pese:
a) Mas de 155 libras

b) 100 libras

menos

c) Entre 105 y 1451ibras

4.8 RESllMEN
En este capitulo, los conceptos de probabilidad descritos en el capitulo anterior se
abordan con mas profundidad. Se analizan los conceptos de variables aleatoria,
discreta y continua, asi como las distribuciones de probabilidad. Se examinan deta
lladamente, en especial, dos distribuciones de probabilidad discreta, la binomial y
la de Poisson, y una distribucion de probabilidad continua, la normal. Tambien se
estudia como esas distribuciones teoricas permiten formar enunciados de probabi
lidad para las variables aleatorias que son de interes para e1profesional de la salud.

PREGUNTAS YEJERCICIOS DE REPASO


'1.

~Que es una variable aleatoria discreta? De tres ejemplos que sean de iriteres para el profe
sional de la salud.

2.

~Que es una variable aleatoria continua? De tres ejemplos que sean de interes para el profe
sional de la salud.

3. Defina la distribuci6n de probabilidad para una variable aleatoria discreta.


4. Defina la distribuci6n de probabilidad para una variable aleatoria continua.
5.

~Que

es la distribuci6n de probabilidad acumulada?

6.

~Que

es un ensayo de Bernoulli?

7. Describa la distribuci6n binomial.


8. De un ejemplo de variable aleatoria que pueda seguir una distribuci6n binomial.
9. Describa la distribuci6n de Poisson.
10. De un ejemplo de variable aleatoria que pueda distribuirse de acuerdo con la ley de Poisson.
11. Describa la distribuci6n normal.
12. Describa la distribuci6n normal estandar y diga c6mo se utiliza en estadfstica.
13. De un ejemplo de variable aleatoria que pueda seguir, al menos aproximadamente, una
distribuci6n normal.
14. Utilice los datos de la respuesta a la pregunta 13 para demostrar el uso de la distribuci6n
normal estandar para responder a preguntas de probabilidad relacionadas con la variable
seleccionada.

PREGUNTAS Y EJERCICIOS DE REPASO

121

15. El metodo usual para ensenar una habilidad de cuidado personal a gente con retraso men
tal, es efectivo en 50 por ciento de los casos. Un nuevo metodo es ensayado con 10 personas.
Si el nuevo metodo no es mejor que el habitual, 2cuM es la probabilidad, de que siete 0 mas
individuos 10 aprendan?
16. Los registros del personal de un gran hospital muestra que 10 por ciento de los empleados
de mantenimiento y aseo renuncian un ano despues de ser contratados. Si 10 nuevos em
pleados son contratados:
a) "-Cual es la probabilidad de que exactamente la mitad de ellos se encuentren trabajando

un ano despues?

b) (Cual es la probabilidad de que ninguno renuncie un ano despues?

c) 2.Cual es la probabilidad de que 3 de los 10 renuncien antes de terminar el ano?

17. En cierto pais en desarrollo, 30 por ciento de los ninos estan desnutridos. En una muestra
aleatoria de 25 ninos de esa area, cual es la probabilidad de que el mimero de ninos desnu
tridos sea:
a) Exactamente 10
b) Menos de cinco

d) Entre tres y cinco, inclusive

c) Cinco 0 mas
e) Menos de siete, pero mas de cuatro

18. En promedio, dos estudiantes por hora son enviados para tratamiento en la sala de primeros
auxilios en una gran escuela primaria.

a) 2Cual es la probabilidad de que durante una hora dada, tres estudiantes lleguen a la sala

de primeros auxilios para tratamiento?

b) 2Cuat es la probabilidad de que durante una hora dada, dos 0 menos estudiantes sean
enviados a la sala de primeros auxilios?

c) (Cual es la probabilidad de que entre tres y cinco estudiantes, inclusive, sean enviados a la

sala de primeros auxilios durante una hora dada?

19. En promedio, cinco fumadores pasan por la esquina de cierta calle cada 10 minutos. Cual es
la probabilidad de que durante un periodo dado de 10 minutos el numero de fumadores que
pasen sea de:
a) Seis 0 menos
b) Siete 0 mas
c) Exactamente ocho
20. En cierta area de la ciudad sucede en promedio un suicidio por meso Encuentre la probabi
lidad de que durante un mes dado, el numero de suicidios sea:
b) Menos de uno
a) Mas de uno
c) Mas de tres
21. Los IQ de individuos intemados en una escuela del estado para retrasados mentales tiene una
distribuci6naproximadamente normal con una media de 60 y una desviaci6n estandar de 10.

a) Calcule la cantidad de individuos con un IQ mayor a 75.

b) 2Cmil es la probabilidad de que un individuo, elegido al azar, tenga un IQ entre 55 y 75?

c) Calcule P(50 ~ X~ 70).

22. EI supervisor de enfermeria encontr6 que el personal de enfermeria, en promedio, termina


cierta tarea en 10 minutos. Si el tiempo requerido para completar la tarea sigue una distribu
ci6n aproximadamente normal con una desviaci6n estandar de 3 minutos, calcule:
a) La cantidad proporcional de enfermeras que terminan esa tarea en menos de 4 minutos.

122

CAPITULO 4

DlSTRIBUCIONES DE PROBABILIDAD

b) La cantidad proporcional de enfermeras que necesitan mas de 5 minutos para terminar

dicha tarea.

c) La probabilidad de. que una enfermera ala que recientemente se Ie asign6 la tarea,

termine en 3 minutos.

23. Las calificaciones de una prueba de aptitud aplicada a estudiantes de enfermerfa sigue una
distribuci6n aproximadamente normal, con una media de 500 y una variancia de 10,000.
a) (Que proporci6n de los individuos examinados lograra menos de 200 puntos?

b) Una persona esta por resolver el examen.(Cual es la probabilidad de que logre una

calificaci6n de 650 0 mas puntos?


c) (Que proporci6n lograra calificaciones entre 350 y 675 (puntos)? .

24. Dada una variable binomial con media de 20 y variancia de 16, calcule n y p.
25. Suponga que una variable X se distribuye normalmente, con una desviaci6n estandar de 10.
Dado que .0985 de los valores de X son mayores que 70, (cual es valor de la media de X?

26. Dada una variable aleatoria X distribuida normalmente, calcule' el valor numerico de k, tal
que P(1l kcr 5, X 5, !l +- kcr) = .754.
27. Dada la variable aleatoria X distribuida normaImente, con una media de 100 y una desvia
ci6n estandar de 15, calcule el valor numerico de k, tal que:
a) P(X 5, k) = .0094

b)P(Xzk)= .1093

c) P(100 5, X

k) = .4778

d) P(k' ::; X 5, k) = .9660, donde k' Y k son equidistantes de IL

28; Dada una variable aleatoria X distribuida normalmente, con cr


calcule 11.

10 y P(X

5,

29. Dada una variable aleatoria X distribuida normalmente, con cr = 15 Y P(X


calcule 11.
30. Dada unavariable aleatoriaX distribuida normalmente, con cr =
calcule 11.

P(X

31. Dada una variable aleatoria X distribuida normalmente, con !l = 25y P(X

40)

.0080,

50) =.9904,

z 25)

= .0526,

5,

10) = .0778,

5,

50)

calcule cr.
32. Dada una variable aleatoria X distribuida normalmente, con 11
calculecr.
33. Explique por que cada una de las siguientes mediciones es
Bernoulli:

30y P(X

.9772,

no el resultado de ensayos de

a) EI sexo de recien nacidos .


. b) Lq. dasificaci6n de la condici6n de los pacientes hospitalizados: estable, en condiciones
criticas, regular, buena, mala ..

c) EI peso en gramos de bebes recien nacidos ..

34. Explique por que cada una de las siguientes mediciones es


Bernoulli:

noel resultado de ensayos de

a) EI numero de procedimientos quirfugicos aplicados en un hospital.en una semana.


b) La temperatura de pacientes hospitalizados en grados Celsius.

c) El registro de los signos vitalesde pacientes hospitalizados: normaIes 0 inestables.

BIBLIOGRAFIA

35. Explique por que cada una de las siguientes distribuciones es


babilidad:

a) x

0
1
2
3
4

c) x

0
1
2
3
4

P(X

= x)

b) x

0.15
0.25
0.10
0.25
0.30

P(X

= x)

0.15
-0.20
0.30
0.20
0.15.

0
1
2
3

d)

-1

0
1
2
3
4

123

no una distribuci6n de pro

. P(X= x)

0.15
0.20
0.30
0.10

P(X

= x)

0.15
0.30
0.20
0.15
0.10
0.10

BmllOGRAFIA
Bibliografia de metodologia
1. Frank A. Haight, Handbook ofthe Poisson Distribution, Wiley, New York.
Bibliografia de aplicaciones
AI.

Simone Buitendijk y Michael B. Bracken, "Medication in Early Pregnancy: Prevalence of


Used and Relationship to Maternal Characteristics", American Journal of Obstfftrics and
Gynecolof!:J, 165, 33-40.

A-2.

National Center for Health Statistics, M. F. Najjar y M. Rowland, "Anthropometric Reference


Data and Prevalence of Overweight, United States, 1976-80", Vital and Health Statistics, Serie
II, No. 238. DHHS Pub. No. (PHS) 87-1688, Public Health Service, U.S. Government Printing
Office, Washington, DC .

. A3.

National Center for Health Statistics,O. T. Thornberry, R. W. Wilson y P. M. Golden, "Health


Promotion Data for the 1990 Qbjectives, Estimates from the National Health Interview Survey
of Health Promotion lj.nd Disease Prevention, United:States, 1985", Advance Data From Vital
and Health Statistics, No. 126. DHHS Pub. No. (PHS) 86-1250, Public Health Service,
Hyattsville, MD.

. A-4.

Robert D. Gibbons, David C. Clarky Jan1iawcett, "A Statistical Method for Evaluating Suici
de Clusters and Implementing Cluster Surveillance'\ American Journal of Epidemiolof!:J, 132
(Suplemento No. I), SI83-S191.

A5.

S. D. Dusheiko, "Some Questions Concerning the Pathological Anatomy of Alzheimer's


Disease", Soviet Neurological Psychiatry, 7, 56-64. Publicada por Internacional Arts and Sciences
Press, White Plains, NY.

También podría gustarte